超越人工智能鸿沟：一种识别人工智能准备阶段全球和地区杰出表现者的简单方法

11073 超越人工智能分歧 一种识别人工智能准备阶段全球和地区杰出表现者的简单方法 皮埃尔·马东 政策研究工作论文 11073 摘要 本文探讨了全球人工智能准备度的不平等现象，使用了国际货币基金组织与多维经济复杂性指数共同发布的2023年人工智能准备度指数。所提出的方法通过将实际的人工智能准备度得分与基于经济复杂性的预测进行比较，识别出全球和地区的佼佼者，从而对国家的人工智能能力进行全面评估。研究结果突出了监管和伦理框架、数字基础设施、以及人力资本和劳动力市场发展在推动不同地区人工智能表现超越其预期中所具有的不同重要性。 收入水平。通过包括新加坡、北欧、马来西亚、哈萨克斯坦、加纳、卢旺达以及中国和印度等新兴人口大国在内的案例研究，分析展示了即使是资源受限的国家也能通过战略投资和连贯的政策实现显著的人工智能进步。该研究强调了提供可操作见解以促进国家间的相互学习和知识共享的必要性。它以改善人工智能准备度指标的建议结束，并呼吁未来的研究将认知和文化维度纳入准备框架。 本文为世界银行经济政策全球部门的研究成果。它是世界银行为了提供其研究资料的开放获取并贡献于全球发展政策讨论的更大努力的一部分。政策研究工作论文也发布在http://www.worldbank.org/prwp上。作者可通过pmandon@worldbank.org联系。 超越人工智能分歧：一种识别在AIP（人工智能准备）中全球和本地高绩效者的简单方法 皮埃尔·曼东（世界银行集团）1 ..关键词：人工智能准备；经济复杂性；同行学习；政策过度表现JEL codes:F63; H11; O33; O38 我- 引言 人工智能（AI）的转型潜力正在重塑经济、社会和全球竞争力（Brynjolfsson and Unger, 2023），使其采纳成为世界各国的一个关键优先事项。2最显赫的会计和咨询公司声称，人工智能预计将对全球经济产生显著贡献，估计每年的贡献额在26万亿到44亿美元之间（邱等，2023年），到2030年将达到157万亿美元，这主要得益于生产率和消费的增长（普华永道，2017年）。一些最近的国家经济研究局（NBER）出版物3强调AI有潜力通过自动化任务和推动创新，显著提高生产力和经济增长。然而，实现这些收益取决于互补的政策、机构和适应社会以确保公平和可持续的结果（Aghion，Jones和Jones，2019年；Trammell和Korinek，2023年；Acemoglu，2024年）。总之，AI，尤其是生成式AI，有潜力提高经济增长和生产率，但存在劳动市场中断的风险，包括过早的去职业化——在工人充分利用其专业知识之前，技术性工作被取代或减少——以及对于发展中国家如高技能工作机会减少、不平等增加以及将AI技术融入欠发达工业和教育体系的挑战（Liu，2024年）。 这类巨大的社会经济影响强调，对各国而言，采纳并融合人工智能技术以保持竞争力和维护国家主权公共政策至关重要。4然而，人工智能的益处并非均匀分布。《国际货币基金组织（IMF）2023年政府人工智能准备指数（AIPI）》揭示了各国在人工智能准备和就绪方面的显著差异，突显了能够利用人工智能和那些可能落后的国家之间的日益扩大的差距（Cazzaniga等，2024年）。5与此相关，刘和王（2024）强调，中等收入国家在生成式AI工具方面的参与度相对于其经济规模来说出人意料地高，而低收入经济体的代表性则明显不足。在这种情况下，识别提高一个国家AI准备度的有效策略变得至关重要。本文旨在探讨此类策略，为各国提供一个框架，以有效地增强其AI能力，并在不断演变的数字领域中确保包容性增长。 本论文中概述的方法简单明了：它采用AIPI评估各国的人工智能准备情况，并将其与各国评估的经济复杂度水平进行比较。这种方法识别出在人工智能准备和准备程度方面相对于其经济复杂度水平表现突出的国家。 经济复杂性针对特定收入水平，旨在揭示推动其超额表现的因素。经济复杂性是指一个经济的知识密集度，通过其生产和提供的商品和服务的多样性和复杂性来衡量。经济复杂性指数（ECI），最初由Hidalgo和Hausmann（2009年）开发，通过分析一个国家的出口组合来衡量这种复杂性，反映了其生产和出口多样化、高价值产品的能力。最近，ECI扩展到基于专利数据的技术和基于研究论文的研究（Stojkoski，Koch和Hidalgo，2023年），因为贸易数据可能会遗漏关于创新活动的关键信息。 使用这种方法，我们根据其经济复杂性指数（ECI）及其准备和就绪水平将AI的卓越群体进行分类。值得注意的是，卓越者不仅仅是AIPI得分最高的国家，而是那些（i）达到最低AIPI阈值且（ii）在经济复杂性的基础上超越其预测分数的国家。在高收入经济体中，全球卓越者包括澳大利亚、日本、荷兰、新西兰、四个亚洲四小龙中的三个（中国香港特别行政区；新加坡；大韩民国）以及北欧国家如丹麦、芬兰和挪威——这与之后详细阐述的AIPI长期决定因素的研究结果相一致。中高收入本地卓越者包括阿尔巴尼亚、中国、哥斯达黎加、印度尼西亚、哈萨克斯坦、马来西亚和乌克兰。最后，中低收入和低收入本地卓越者包括加纳、印度、摩洛哥、卢旺达、斯里兰卡、突尼斯和越南。 从这份AI表现优异的名单中，我们观察到，AI监管和伦理始终是跨收入群体中AI准备性的主要驱动力，强调了机构在管理AI整合中的普遍重要性。在低收入和较低中等收入国家（LICs/LMICs），监管和劳动力发展占据主导地位，反映了资源限制下的基础优先事项，而数字基础设施和创新则受到较少关注。对于中等收入国家（UMICs），监管和人力资本依然至关重要，但随着技术能力的扩展，数字基础设施的重要性日益凸显。高收入国家（HICs）将监管与成熟的数字基础设施和创新系统并重，并依靠先进的劳动力准备策略。 这一进展说明了人工智能准备策略如何与各收入群体的独特能力和优先事项相一致，为那些旨在提升其人工智能准备度的国家提供了定制化的政策途径。通过理解这些模式，政策制定者可以采纳适合的策略，根据其特定的经济和制度环境发展他们国家的人工智能生态系统，并可能有效弥合全球人工智能差距。 本文的其余部分组织如下：第二节概述了数据和与方法，第三节展示了主要实证发现，第四节探讨了不同类别的国家在人工智能准备方面如何表现突出，第五节得出结论并为进一步研究人工智能准备开辟了道路。 II- 数据和方法 II.a-数据 AIPI（人工智能准备指数）是我们主要关注的输出指标，由国际货币基金组织设计，用于评估截至2023年174个国家和地区采用和集成人工智能技术的准备情况（Cazzaniga等人，2024年）。它建立在四个核心支柱上，这四个支柱被认为是顺利采用人工智能的必要条件：（i）数字基础设施，（ii）人力资本和劳动力市场政策，（iii）创新与经济一体化，（iv）监管与伦理。每个维度是通过平均一组归一化的子指标来计算的，这些子指标捕获了与人工智能准备相关的特定方面，例如互联网可及性（支柱i），STEM教育（支柱ii），研发投资（支柱iii），以及适应性法律框架（支柱iv）。6全球AIPI指数，从0到1进行缩放，结合了这四个支柱，每个贡献高达0.25。更高的分数表示更大的AI准备程度，为利益相关者提供了一个基准，用于识别需要改善的领域，以增强经济体间的AI整合。AIPI专注于AI采用准备而不是由中国和美国主导的发明领导。7正如“德拉吉报告”中所强调的——从而使得对所有经济体应对准备水平的比较评估成为可能。 AIPI分布（图1）显示出各国在人工智能准备和就绪方面存在显著差异。研究表明，人工智能的就绪程度受到一个国家经济结构、基础设施和政策环境的影响。例如，刘和王（2024年）发现，收入水平、数字基础设施和人力资本与人工智能的采用之间存在强相关性，高收入国家展现出更先进的AI生态系统。8这些发现与日益增长的证据相符，即能够利用人工智能的国家与那些可能被甩在后面的国家之间的差距正在扩大（Cazzaniga等，2024年）。 来源：国际货币基金组织，AIPI数据映射器[https://www.imf.org/external/datamapper/AI_PI@AIPI/ADVEC/EME/LIC].注：地图已检查，经世界银行制图单位截至2025年2月2日验证。 本研究中的一个方法论决策是选择国际货币基金组织（IMF）最近发布的AIPI（人工智能准备指数）而非由英国基于私人咨询公司Oxford Insights开发的AI Readiness Index（人工智能准备指数）。9这次决定的驱动力主要来源于国际货币基金组织作为一个全球公认的多边机构及其应有的可问责性，这确保了其产品开发过程中的更高程度的审查和透明度。相比之下，像牛津洞见等私人实体产出尽管有价值，但运作并不在相同层面的监管或问责性之下。此外，人工智能就绪指数的目的是明确设计来评估政府在公共服务交付中使用人工智能的准备程度。10相比之下，AIPI旨在关注如何更全面地评估国家如何有效地利用人工智能能力。尽管如此，指数的选择不会显著影响本研究的整体贡献，因为所提出的方法仍然是适应性和可复制的。 应用贝叶斯模型平均（BMA）方法，我们分析了一组综合的67项历史、政治和经济指标，这些指标来源于关于增长决定因素的文献，以识别稳定的国民人工智能普及指数（AIPI）预测因子。BMA框架，11在此实施，使我们能够从广泛潜在预测因子中隔离出最稳健的人工智能准备度决定因素，正如Sala-i-Martin、Doppelhofer和Miller（2004）所定义和构建的。12图2展示了前5,000个模型中各种协变量的包含概率。结果显示，初始条件——如预期寿命、高等教育水平和1960年的经济规模——以及文化和地理影响，包括儒家遗产和东亚地区虚拟变量，与AIPI呈正相关。相反，通过革命和军事政变频率所捕捉的政治不稳定指标与AIPI呈负相关。13 /先前；随机模型先验 来源：作者构建，基于AIPI及Sala-i-Martin, Doppelhofer, and Miller（2004）提供的数据库。数据库可在以下链接获取：[http://www.nber.org/data.html](http://www.nber.org/data.html)。https://www.openicpsr.org/openicpsr/project/116024/version/V1/view注释：BMA将三百万次记录的抽取与一百万次燃烧应用出生-死亡采样器，使用Zeugner和Feldkircher（2015）的BMS软件包。该图描绘了BMA的结果。解释变量按其后验包含概率（PIPs）从高到低排序，从上到下。水平轴显示累积后验概率的值。蓝色（灰度较深）和红色（灰度较浅）颜色分别表示解释变量估计参数的正负符号。无颜色表示相应的解释变量未包含在模型中。 BMA的结果与现有关于人工智能差距风险的文献相一致，强调已建立工业化国家以及受儒家文化影响的东亚经济体（即中国、中国香港特别行政区、新加坡、韩国和中国台湾）在人工智能准备和就绪方面持续领先。相反，政治不稳定的国家在这一领域面临重大挑战。这一发现激励了本文采用的方法，通过识别相对于其经济结构复杂性的全球和本地人工智能表现优异者，超越这些一般趋势。目标是揭示国家如何从这些冠军那里学习，以有效增强他们的人工智能政策议程。 为了衡量每个国家的经济复杂性，我们考虑了在经济复杂性观察站（OEC）网站上的贸易、技术和研究可用经济复杂性指标（ECIs）。14然而，由于技术领域的ECI（经济复杂性指数），由专利数据得出，可用的国家数量较少（90个，与贸易领域的ECI 133个和研发领域的ECI 130个相比），我们仅使用2021-22年（最接近的可用年份）的贸易领域ECI和研发领域ECI进行主成分分析（PCA）。第一个主成分解释了超过50%的变异，用于代表每个国家的多维经济复杂性。然后，该成分在整个国